Uma Nova Rede Neural Profunda para Detecção e Classificação de Hemorragia Intracraniana

A fusão de dados é um dos problemas desafiadores que o setor de saúde vem enfrentando nos últimos anos. O diagnóstico adequado a partir de imagens digitais e o tratamento são considerados a solução correta. A hemorragia intracerebral (ICH), uma condição caracterizada por lesão de vasos sanguíneos nos tecidos cerebrais, é uma das causas importantes de acidente vascular cerebral. Imagens geradas por raios X e tomografia computadorizada (CT) são amplamente utilizadas para estimar o tamanho e a localização das hemorragias. Os radiologistas utilizam a planimetria manual, um processo demorado para segmentar imagens de exames de CT. O Deep Learning (DL) é o método preferido para aumentar a eficiência no diagnóstico de ICH. Neste artigo, o pesquisador apresenta uma técnica exclusiva de extração de características baseada em fusão de dados multimodais com modelo de Deep Learning (DL), abreviada como FFE-DL para Detecção e Classificação de Hemorragia Intracraniana, também conhecida como FFEDL-ICH. O modelo FFEDL-ICH proposto possui quatro etapas, a saber: pré-processamento, segmentação de imagem, extração de características e classificação. A imagem de entrada é primeiramente pré-processada usando a técnica de Gaussian Filtering (GF) para remover ruídos. Em segundo lugar, o algoritmo Density-based Fuzzy C-Means (DFCM) é utilizado para segmentar as imagens. Além disso, o modelo de extração de características baseado em fusão é implementado com características artesanais (Local Binary Patterns) e características profundas (Residual Network-152) para extrair características úteis. Finalmente, a Deep Neural Network (DNN) é implementada como técnica de classificação para diferenciar múltiplas classes de ICH. Os pesquisadores, no presente estudo, utilizaram um conjunto de dados de referência de hemorragia intracraniana e simularam o modelo FFEDL-ICH para avaliar seu desempenho diagnóstico. Os achados do estudo revelaram que o modelo FFEDL-ICH proposto tem a capacidade de superar os modelos existentes, havendo uma melhora significativa em seu desempenho. Para pesquisas futuras, o pesquisador recomenda a melhoria do desempenho do modelo FFEDL-ICH utilizando técnicas de programação de taxa de aprendizado para DNN.